#install.packages("ggplot2")
#install.packages("dplyr")
#install.packages("plotly")
library(plotly)
## Warning: package 'plotly' was built under R version 3.4.4
## Loading required package: ggplot2
## Warning: package 'ggplot2' was built under R version 3.4.4
##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
library(ggplot2)
library(dplyr)
## Warning: package 'dplyr' was built under R version 3.4.4
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(readxl)
Гендерний баланс у світових університетах: США, Велика Британія, Німеччина, Японія, Індія,
У своїй статті я вирішила дослідити гендерну динаміку у різних країнах світу. Зокрема, я зосередилася на 3 країнах Західного Світу ,а саме США, Великій Британії та Німеччині. Ці держави, відповідно, представляють рівень життя першого світу із потужною базою університетів. Також, я обрала і три східні країни: Японію, Індію та Китай. Всі вони кардинально різняться, хоча й і знаходяться в Азії. Тому й гендерна динаміка досить різна у вишах цих країн. Розглянемо ці процеси детальніше по кожній країні.
worldunirank <- read_excel("D:/Медіакомунікації/Візуалізація даних/worldunirank.xlsx")
## Warning in read_fun(path = path, sheet = sheet, limits = limits, shim =
## shim, : Expecting numeric in M2312 / R2312C13: got '-'
## Warning in read_fun(path = path, sheet = sheet, limits = limits, shim =
## shim, : Expecting numeric in M2333 / R2333C13: got '-'
## Warning in read_fun(path = path, sheet = sheet, limits = limits, shim =
## shim, : Expecting numeric in M2395 / R2395C13: got '-'
View(worldunirank)
worldunirank <- tbl_df(worldunirank)
df <- worldunirank
США
Як бачимо на графіку, в США доволі прямолінійна тенденція гендерного балансу в університетах. Впродовж 6 років зберігався між позначками від 40 до 60%, що дозволяє зробити висновки про гендерну рівність у вищих школах Америки. Університети, в яких кількість студентів менше 40%, є технічними, що й пояснює гендерний дисбаланс. Що стосується позначок, які містяться в межах 70%, то це медичні виші. Виходить, що в США спостерігається тенденція збільшення кількості жінок в сфері медицини? Гадаю, цю інформацію треба підкріпити, якщо вже виокремлюємо цю тенденцію. Так от, the Association of American Medical Colleges (AAMC) зробили дослідження у 2015 році, де базуючись на основних даних, виявили, що жінки складають більший відсоток у сімейній медицині (58%), психіатрії(57%), педіатрії (75%) та гінекології (85%). Отож, справді жінки превалюють в медичній сфері США. Джерело: https://wire.ama-assn.org/education/how-medical-specialties-vary-gender
df %>%
filter(Country == "United States of America")%>%
select("University_Name", "%_Female_Students", "Year") %>%
filter(!is.na(`%_Female_Students`))
## Warning: package 'bindrcpp' was built under R version 3.4.4
## # A tibble: 595 x 3
## University_Name `%_Female_Students` Year
## <chr> <dbl> <dbl>
## 1 California Institute of Technology 33. 2011.
## 2 Massachusetts Institute of Technology 37. 2011.
## 3 Stanford University 42. 2011.
## 4 Princeton University 45. 2011.
## 5 University of California, Berkeley 50. 2011.
## 6 Yale University 50. 2011.
## 7 University of California, Los Angeles 52. 2011.
## 8 University of Chicago 42. 2011.
## 9 Johns Hopkins University 50. 2011.
## 10 Cornell University 48. 2011.
## # ... with 585 more rows
df1 <- df %>%
filter(Country == "United States of America")%>%
select("University_Name", "%_Female_Students", "Year") %>%
filter(!is.na(`%_Female_Students`))
df1%>%
group_by(Year) %>%
summarise(Mean = mean(`%_Female_Students`, na.rm=TRUE))
## # A tibble: 6 x 2
## Year Mean
## <dbl> <dbl>
## 1 2011. 49.2
## 2 2012. 49.2
## 3 2013. 49.1
## 4 2014. 49.3
## 5 2015. 49.5
## 6 2016. 50.3
df1 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "navy" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах США", subtitle = 'Динаміка кількості студенток за 6 років')
g <- df1 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "navy" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах США", subtitle = 'Динаміка кількості студенток за 6 років')
g + stat_summary(fun.y=mean, colour="red2", geom="point", aes(group = 1))
gp <- g + stat_summary(fun.y=mean, colour="red2", geom="point", aes(group = 1))
ggplotly(gp, tooltip = c("University_Name"))
## We recommend that you use the dev version of ggplot2 with `ggplotly()`
## Install it with: `devtools::install_github('hadley/ggplot2')`
Велика Британія
У Великій Британії також все доволі консервативно. Спостерігаємо подібну тенденцію до США. За 6 років показники переважають в межах 50-60%. Пік кількості студенток, понад 80%, в Royal Veterinary College. Цікаво, що і Imperial Collage London ,і Loughborough University ,де навчається найменше студенток у країні, це дослідницькі інституції.
df %>%
filter(Country == "United Kingdom")%>%
select("University_Name", "%_Female_Students", "Year")%>%
filter(!is.na(`%_Female_Students`))
## # A tibble: 286 x 3
## University_Name `%_Female_Students` Year
## <chr> <dbl> <dbl>
## 1 University of Cambridge 46. 2011.
## 2 University of Oxford 46. 2011.
## 3 Imperial College London 37. 2011.
## 4 University College London 56. 2011.
## 5 University of Edinburgh 58. 2011.
## 6 University of Bristol 53. 2011.
## 7 "Kinga\u0080\u0099s College London" 61. 2011.
## 8 University of Sussex 54. 2011.
## 9 Durham University 54. 2011.
## 10 University of Manchester 52. 2011.
## # ... with 276 more rows
df2 <- df %>%
filter(Country == "United Kingdom")%>%
select("University_Name", "%_Female_Students", "Year")%>%
filter(!is.na(`%_Female_Students`))
df2 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "royalblue3" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах Великої Британії", subtitle = 'Динаміка кількості студенток за 6 років')
g1 <- df2 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "royalblue3" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах Великої Британії", subtitle = 'Динаміка кількості студенток за 6 років')
g1 + stat_summary(fun.y=mean, colour="red2", geom="point", aes(group = 1))
gp1 <- g1 + stat_summary(fun.y=mean, colour="red2", geom="point", aes(group = 1))
ggplotly(gp1, tooltip = c("University_Name"))
## We recommend that you use the dev version of ggplot2 with `ggplotly()`
## Install it with: `devtools::install_github('hadley/ggplot2')`
Німеччина Німеччина не виділяється від інших країн Західного світу. З 2013 по 2016 рр. кількість студенток в більшості університетів складає 45-60%. Менше 40% жінок лише в технічно спрямованих університетах. Як вказано на сайті LMU Munich , де тенденційно навчається 62% студенток, http://www.en.uni-muenchen.de/about_lmu/introducing-lmu/diversity/index.html
df %>%
filter(Country == "Germany")%>%
select("University_Name", "%_Female_Students", "Year") %>%
filter(!is.na(`%_Female_Students`))
## # A tibble: 144 x 3
## University_Name `%_Female_Students` Year
## <chr> <dbl> <dbl>
## 1 University of GA¶ttingen 51. 2011.
## 2 LMU Munich 62. 2011.
## 3 Heidelberg University 55. 2011.
## 4 Technical University of Munich 33. 2011.
## 5 University of Freiburg 52. 2011.
## 6 University of WA<U+00BC>rzburg 57. 2011.
## 7 Goethe University Frankfurt 60. 2011.
## 8 Bielefeld University 57. 2011.
## 9 University of Bonn 55. 2011.
## 10 RWTH Aachen University 31. 2011.
## # ... with 134 more rows
df3 <- df %>%
filter(Country == "Germany")%>%
select("University_Name", "%_Female_Students", "Year")%>%
filter(!is.na(`%_Female_Students`))
df3 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "darkgreen" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах Німеччини", subtitle = 'Динаміка кількості студенток за 6 років')
g2 <- df3 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "darkgreen" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах Німеччини", subtitle = 'Динаміка кількості студенток за 6 років')
g2 + stat_summary(fun.y=mean, colour="red2", geom="point", aes(group = 1))
gp2 <- g2 + stat_summary(fun.y=mean, colour="red2", geom="point", aes(group = 1))
ggplotly(gp2, tooltip = c("University_Name"))
## We recommend that you use the dev version of ggplot2 with `ggplotly()`
## Install it with: `devtools::install_github('hadley/ggplot2')`
Отож, як ми бачимо в університетах Західного світу (США, Європи, Великої Британії) в основному зберігається гендерна рівність.
Японія
Як відомо, Японія вважається країною наукового прогресу. Тут панує тенденція переваги студентів чоловічої статі в університетах. Відсоток студенток перебуває в межах 30 – 40 %. Подібно до США та Німеччини, найнижчий відсоток студенток в технічних вишах, в Японії – це приблизно 13%. Що цікаво, понад 50% студенток навчаються у медичних університетах (Juntendo University, Tokyo Medical and Dental University, Showa University). Виходить, що Японія повторює гендерні тенденції США в медицині. Джерело NCBI (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5136609/) підтверджує, що дійсно в Японії превалюють жінки в галузі медицини.
df %>%
filter(Country == "Japan")%>%
select("University_Name", "%_Female_Students", "Year") %>%
filter(!is.na(`%_Female_Students`))
## # A tibble: 83 x 3
## University_Name `%_Female_Students` Year
## <chr> <dbl> <dbl>
## 1 Tokyo Institute of Technology 13. 2011.
## 2 Osaka University 31. 2011.
## 3 Tohoku University 25. 2011.
## 4 Tokyo Institute of Technology 13. 2012.
## 5 Osaka University 31. 2012.
## 6 Tohoku University 25. 2012.
## 7 Nagoya University 29. 2012.
## 8 Tokyo Metropolitan University 35. 2012.
## 9 Kyushu University 28. 2012.
## 10 University of Tsukuba 38. 2012.
## # ... with 73 more rows
df4 <- df %>% #створюємо нову змінну
filter(Country == "Japan")%>%
select("University_Name", "%_Female_Students", "Year") %>%
filter(!is.na(`%_Female_Students`))
df4 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "purple4" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах Японії", subtitle = 'Динаміка кількості студенток за 6 років')
g3 <- df4 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "purple4" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах Японії", subtitle = 'Динаміка кількості студенток за 6 років')
g3 + stat_summary(fun.y=mean, colour="red3", geom="point", aes(group = 1))
gp3 <- g3 + stat_summary(fun.y=mean, colour="red3", geom="point", aes(group = 1))
ggplotly(gp3, tooltip = c("University_Name")) #ця штука робить графіки інтерактивними
## We recommend that you use the dev version of ggplot2 with `ggplotly()`
## Install it with: `devtools::install_github('hadley/ggplot2')`
Індія
В цій патріархальній країні кардинально інша ситуація. Тут тенденційно кількість студенток і університетах – це 10-20%. Як бачимо,в Індії ще панують традиції старого світу, в тому числі і сексизм та гендерна нерівність. Найвищий показник та ідеальний гендерний баланс простежується тільки в University of Delhi. Цікаво, що цей університет не є далеко найкращим в рейтингу Індії в порівнянні з іншими, хоча й вважається престижним. Зокрема, ректором університету є віце-президент Індії, тут викладають 2 Нобелівські лауреати, університет відвідують відомі люди, в т. ч. і Гілларі Клінтон.
df %>%
filter(Country == "India")%>%
select("University_Name", "%_Female_Students", "Year") %>%
filter(!is.na(`%_Female_Students`))
## # A tibble: 28 x 3
## University_Name `%_Female_Students` Year
## <chr> <dbl> <dbl>
## 1 Indian Institute of Technology Bombay 16. 2012.
## 2 Indian Institute of Technology Kharagpur 15. 2013.
## 3 Indian Institute of Technology Bombay 16. 2013.
## 4 Indian Institute of Technology Roorkee 17. 2013.
## 5 Panjab University 46. 2014.
## 6 Indian Institute of Technology Delhi 18. 2014.
## 7 Indian Institute of Technology Kanpur 13. 2014.
## 8 Indian Institute of Technology Kharagpur 15. 2014.
## 9 Indian Institute of Technology Roorkee 17. 2014.
## 10 Indian Institute of Science 19. 2015.
## # ... with 18 more rows
df5 <- df %>%
filter(Country == "India")%>%
select("University_Name", "%_Female_Students", "Year") %>%
filter(!is.na(`%_Female_Students`))
df5 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "orangered4" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах Індії", subtitle = 'Динаміка кількості студенток за 6 років')
g4 <- df5 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "orangered4" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах Індії", subtitle = 'Динаміка кількості студенток за 6 років')
g4 + stat_summary(fun.y=mean, colour="royalblue3", geom="point", aes(group = 1))
gp4 <- g4 + stat_summary(fun.y=mean, colour="royalblue3", geom="point", aes(group = 1))
ggplotly(gp4, tooltip = c("University_Name"))
## We recommend that you use the dev version of ggplot2 with `ggplotly()`
## Install it with: `devtools::install_github('hadley/ggplot2')`
Китай
Перейдемо до останньої у нашому дослідження, досить контроверсійної країни, Китаю. Тут відсоток студенток перебуває в межах 30-50%. Така тенденція зберігається впродовж 6 років. Найменше жінок навчається знову ж таки в технічних вишах. А найбільше в медичних школах (Soochow University, Capital Medical University).
df %>%
filter(Country == "China")%>%
select("University_Name", "%_Female_Students", "Year")%>%
filter(!is.na(`%_Female_Students`))
## # A tibble: 58 x 3
## University_Name `%_Female_Students` Year
## <chr> <dbl> <dbl>
## 1 Tsinghua University 32. 2011.
## 2 Nanjing University 46. 2011.
## 3 Sun Yat-sen University 51. 2011.
## 4 Zhejiang University 41. 2011.
## 5 Tsinghua University 32. 2012.
## 6 Fudan University 50. 2012.
## 7 Nanjing University 46. 2012.
## 8 Sun Yat-sen University 51. 2012.
## 9 Shanghai Jiao Tong University 37. 2012.
## 10 Zhejiang University 41. 2012.
## # ... with 48 more rows
df6 <- df %>%
filter(Country == "China")%>%
select("University_Name", "%_Female_Students", "Year")%>%
filter(!is.na(`%_Female_Students`))
df6 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "darkred" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах Китаю", subtitle = 'Динаміка кількості студенток за 6 років')
g5 <- df6 %>%
ggplot(aes(x=Year,y=`%_Female_Students`, group = University_Name))+
geom_point(alpha= .5, size = 1.2, color = "darkred" )+
scale_colour_brewer(type = "seq", palette = 1, direction = 1)+
theme_light()+
xlab("Рік") +
ylab("Кількість студенток (%)")+
labs(title = "Гендерний баланс в університетах Китаю", subtitle = 'Динаміка кількості студенток за 6 років')
g5 + stat_summary(fun.y=mean, colour="royalblue3", geom="point", aes(group = 1))
gp5 <- g5 + stat_summary(fun.y=mean, colour="royalblue3", geom="point", aes(group = 1))
ggplotly(gp5, tooltip = c("University_Name"))
## We recommend that you use the dev version of ggplot2 with `ggplotly()`
## Install it with: `devtools::install_github('hadley/ggplot2')`
Проаналізувавши Східні університети можна зробити наступні висновки:
Отож, порівнюючи підхід до гендерного балансу на Заході та Сході можемо сказати наступне: